重建自由曲面的神经网络算法

利用神经网络方法解决退向工程设计中的自由贡面重建问题，在ＢａｃｋＰｒｏｐａｇａｔｉｏｎ算法的基础上，吸取了模拟退火的算法优点，神经网络的学习采用按概率随机随机接受一个不成功训练值的方法，使学习跳出局部最优解，最终收敛于全局最优解，试验证明，用这种方法解决自由曲面的重建问题，可以达到良好的效果，优于以往文献提出的方法。     

基于W空间上的神经网络自由曲面重构算法

在再生核空间Ｗ上构造了一个新型的神经网络及相应的学习算法：Ｎｅｗｔｏｎ－ＢＰ交替算法,进而给出神经网络的自由曲面重构算法。仿真结果表明了此方法的有效性。     

径向基神经网络重建自由曲面的探讨

提出了采用神经网络重建自由曲面的方法,建立了用于曲面重建的径向基函数神经网络模型,提出并论证了神经网络用于密集散乱点曲面重建的方案,与常规的重构方法对比,分析了其优点和关键技术,着重讨论了径向基函数神经网络模型,仿真实验表明：采用二层的径向基函数网络,对单个曲面片的拟合精度和网络训练速度大大优于ＢＰ网,完全满足实用要求,具有一定的理论与实用意义。     

Coons型分形曲面的生成方法

将传统计算几何中的网函数插值方法与分形插值函数理论相结合，给出生成分形Coons型曲面的一种新方法.     

基于NURBS的自由曲面体三维几何特性计算

阐述了非均匀有理B样条（NURBS:Non-Uniform Rational B-Spline）曲面造型的发展背景及三维物体的几何特性计算原理,结合Gauss定理及参数曲面积分方法,给出了基于NURBS曲面的自由曲面体的几何特性计算原理与方法,并进行了实际应用。     

基于分形和曲面展开的雕刻作品生成技术

探索了基于分形技术的雕刻图形计算机辅助创新设计新技术，采用物理模型对雕刻学习曲面展开问题进行了详细地研究，给出了曲面展开算法，完成了分形图形向三维雕刻曲面的映射转换，构造出了更为复杂的雕刻图形。     

数学模型已知的自由曲面数字化自适应采样

针对数学模型已知的自由曲面,依据质心概念推导出基于形状的采样算法.借助该算法不仅可产生在给定采样点总数条件下的自适应采样矩形拓扑网格,而且能确定在给定采样精度下的合理采样点数,从而实现自由曲面数字化采样的自适应规划.     

自由曲面光滑拼接的数值优化方法

研究了B样条曲面的光滑拼接问题，介绍了参数曲面几何连续性的定义，提出了2种在B样条曲面间实现 光滑拼接的数值优化算法，即调整邻接曲面的公共边界曲线和调整其中一个曲面的邻近边界的控制顶点。实验结果表明，灵活使用文中的方法修改曲面外形可有效地解决曲面造型中的相关问题。     

数字模型已知的自由曲面数字化自适应采样

针对数字模型已知的自由曲面、依据质心概念推导出基于形状的采样算法,借助该算法不仅可产生在给定采样点总数条件下的自适应采样矩形拓扑网络,而且能确定在给定采样精度下的合理采样点数,从而实现自由曲面数字化采样的自适应规划。     

基于神经网络的NURBS曲面重建

曲面重建是CAGD中的重点研究课题,而神经网络具有很好的非线性逼近能力,文中将二者结合,给出了一种利用神经网络将三维数据点拟合为NURBS曲面的方法.提出的前馈型神经网络包含四个隐层,其中一层的激活函数为B样条基函数.由数学推导可知,该网络可以表达NURBS曲面,通过对控制顶点及其权重的学习,可以用该网络来重建NURBS曲面.权值的调整通过误差反传与梯度下降法实现.实验结果表明,文中提出的方法是可行的.     

基于分形理论和Kohonen神经网络的纹理图像分割方法

分形理论作为描述自然现象的一种模型,受到人们越来越多的重视。该文提出采用分形维数和多重分形广义维数谱q－D（q）作为纹理特征,采用自组织神经网络Kohonen网络作为分类器的图象分割方法。通过对纹理图象的分割实验,结果令人满意,证实该方法的有效性。     

随机形状变形生成的自适应神经网络控制法

将任意给定的确定性规则形状作为自适应神经网络的学习对象，用自适应学习的方法改变规则形状的形成规则，在没有加入随机移位扰动量的情况下，使规则形状从“规则”向“非规则”转变，改进了传统自适应神经网络的算法过程，增强了随机形状的局部和整体形态特征的可控性，拓宽了自适应线性神经网络在随机形状造型中的应用范围，且方法简明、易于实现。     

基于整数维约束的分维形状映射生成方法

把整数维图形研究方法与分数维图形研究方法相结合，提出一种基于整数维规则几何形状的约束的分维形状映射生成方法，有于描述自然界和工程中出现的且具有特定基本形状趋势的随机现象和随机过程，首先，任意选取一个具有调配函数的自由形状构造一个有序参数空间，确定有序参数的取值规律和区域，把有序参数空间与自适应神经网络，随机性相结合，构造一个随机离散参数空间，并建立起有序参数与随机离散参数之间的参数对应关系，最后，通过有序与无序的参数对应关系，建立一个独立于任意规则几何形状的统一的分形映射关系，对相应整数维的任意规则参数几何形状分形映射，生成宏观形态趋势可预见和可控制的分维形状，该提出的方法适有于任意参数几何形状的分形映射，生成分形图形，且方法简明，易于实现。     

基于递归神经网络的散文诗自动生成方法

针对中文散文诗歌的自动生成,提出一种基于循环神经网络的时序性文本生成方法.通过现有语料库构建好一个词语集后,首先给定若干关键词,在聚类模型生成的词语集基础上进行关键词扩展生成首句.在确定首句的基础上,利用上下文模型对已生成内容进行压缩和上文特征获取,最后将之前上下文内容传递给递归神经网络模型实现后续句子的生成.该方法中首句生成的过程利用语言模型中的词汇集扩展,并通过上下文模型获取关联实现上下句的映射关系.本文采用BLEU自动评测方式和人工评测方式,建立起较为标准的评测系统,实验结果证实了该方法的有效性.     

基于自适应交互算法的神经网络控制器设计

自适应交互算法是一种简单有效的算法，可以应用于不同类型的系统，与常用的BP算法相比，它不需要反馈网络反向传播误差，可以直接用来设计自适应神经网络控制器，使控制器的设计简单化，将这种算法应用于神经网络，并设计了神经网络控制器，通过仿真研究表明，用自适应交互算法设计的控制器不仅结构简单，而且控制效果也非常好。     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

基于DSP的自适应神经元网络控制系统的研究

某大型设备的液压系统在工作中需要一定的油压对其进行支撑,所以要保证油压根据要求维持在某一稳定值。针对于此,研究并设计了一个基于DSP的自适应神经元网络控制系统,通过该控制算法可以调整油泵电机的频率使得油压达到要求的稳定值。由于该液压控制系统在实际运行中油压值会出现波动,因此调节的快速性和稳定性是本控制系统的关键。该控制算法经由现场采样和实验的仿真测试,证实了其有效性。     

自适应人工神经网络电机控制器设计

提出了一种自适应人工神经网络无刷直流电动机(BLDCM)转速控制器设计方法;针对传统PID调节器难以应对系统超调和短时振荡等问题,提出了一种结合人工神经网络和传统PID控制的新方法;首先建立了(BLDCM)的本体数学模型,在此基础上描述了将人工神经网络和PID控制相结合的模型,并对具体的控制算法进行了定义;最后,使用Matlab仿真工具对BLDCM控制实例进行了仿真;实验结果表明,结合人工神经网络和PID控制器的新控制方法具有响应快、鲁棒性强以及控制精度高等优点,很好地抑制了超调和振荡。     

基于神经网络的纹理图象生成

提出了一种利用多层前馈神经网络生成纹理图象的新方法 .利用该方法可方便地生成图案丰富的纹理图象集 ,并且该纹理图象集中的任何一幅图象均唯一地对应一组神经网络的权值和阈值 ,因此不仅便于图象保存 ,还大大地节省了图象存储空间 .